論文の概要: Efficient adjustment for complex covariates: Gaining efficiency with
DOPE
- arxiv url: http://arxiv.org/abs/2402.12980v1
- Date: Tue, 20 Feb 2024 13:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 15:20:05.191534
- Title: Efficient adjustment for complex covariates: Gaining efficiency with
DOPE
- Title（参考訳）: 複素共変量の効率的な調整:dopeによる効率向上
- Authors: Alexander Mangulad Christgau and Niels Richard Hansen
- Abstract要約: 共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
- 参考スコア（独自算出の注目度）: 56.537164957672715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Covariate adjustment is a ubiquitous method used to estimate the average
treatment effect (ATE) from observational data. Assuming a known graphical
structure of the data generating model, recent results give graphical criteria
for optimal adjustment, which enables efficient estimation of the ATE. However,
graphical approaches are challenging for high-dimensional and complex data, and
it is not straightforward to specify a meaningful graphical model of
non-Euclidean data such as texts. We propose an general framework that
accommodates adjustment for any subset of information expressed by the
covariates. We generalize prior works and leverage these results to identify
the optimal covariate information for efficient adjustment. This information is
minimally sufficient for prediction of the outcome conditionally on treatment.
Based on our theoretical results, we propose the Debiased Outcome-adapted
Propensity Estimator (DOPE) for efficient estimation of the ATE, and we provide
asymptotic results for the DOPE under general conditions. Compared to the
augmented inverse propensity weighted (AIPW) estimator, the DOPE can retain its
efficiency even when the covariates are highly predictive of treatment. We
illustrate this with a single-index model, and with an implementation of the
DOPE based on neural networks, we demonstrate its performance on simulated and
real data. Our results show that the DOPE provides an efficient and robust
methodology for ATE estimation in various observational settings.
- Abstract（参考訳）: 共変量調整は、観測データから平均処理効果(ATE)を推定するために使われるユビキタスな方法である。
データ生成モデルのグラフィカルな構造を仮定すると、最近の結果は最適な調整のためのグラフィカルな基準を与え、ATEの効率的な推定を可能にする。
しかし、高次元および複雑なデータにはグラフィカルアプローチが困難であり、テキストのような非ユークリッドデータの意味のあるグラフィカルモデルを特定することは容易ではない。
共変量によって表現される情報のサブセットを調整可能な一般的なフレームワークを提案する。
先行研究を一般化し,これらの結果を利用して最適な共変量情報を特定し,効率的な調整を行う。
この情報は治療で条件付きの結果を予測するのに十分である。
理論的な結果に基づいて, ATEを効率的に推定するための脱バイアス出力適応確率推定器 (DOPE) を提案し, 一般条件下でのDOPEの漸近結果を提供する。
拡張逆相対性重み付け(AIPW)推定器と比較して、共変量による治療の予測が極めて高い場合でも、DOPEはその効率を維持することができる。
単一インデックスモデルを用いてこれを解説し、ニューラルネットワークに基づくDOPEの実装により、シミュレーションおよび実データ上での性能を示す。
その結果,DOPEは様々な観測環境下でのATE推定に効率的かつ堅牢な手法を提供することがわかった。
関連論文リスト
- Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。
パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。
NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-28T21:00:46Z) - Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data [0.0]
ランダム化制御試験(RCT)データと実世界データ(RWD)データの両方が利用可能である場合,平均処理効果(ATE)を推定する問題を考察する。
適応型最小損失ベース推定フレームワークを導入して推定する。
論文 参考訳（メタデータ） (2024-05-12T07:10:26Z) - C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。
本稿では,C-XGBoost という新たな因果推論モデルを提案する。
論文 参考訳（メタデータ） (2024-03-31T17:43:37Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Estimate-Then-Optimize versus Integrated-Estimation-Optimization versus
Sample Average Approximation: A Stochastic Dominance Perspective [15.832111591654293]
モデルクラスが十分に特定され、十分なデータが存在する場合に、逆の振る舞いが現れることを示す。
また, 標準サンプル平均近似 (SAA) が, 後悔の点において, モデルクラスが適切に特定された場合に, 最悪の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2023-04-13T21:54:53Z) - Treatment-RSPN: Recurrent Sum-Product Networks for Sequential Treatment
Regimes [3.7004311481324677]
Sum-product Network (SPN) は、高い効率な確率的推論を可能にする新しいディープラーニングアーキテクチャとして登場した。
RSPNを用いた逐次的処理決定行動と処理応答のモデル化のための一般的なフレームワークを提案する。
本研究は,MIMIC-IV集中治療ユニット医療データベースから得られた,人工的データセットと実世界のデータに対するアプローチを評価する。
論文 参考訳（メタデータ） (2022-11-14T00:18:44Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳（メタデータ） (2021-01-15T11:39:09Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。